2、TinyML基础与Nordic平台概述

TinyML是机器学习与嵌入式系统交叉领域中最具工程落地价值的方向之一，其核心目标是在功耗受限、算力有限、内存以KB计的微控制器（MCU）上部署和运行机器学习推理模型。与云端AI不同，TinyML强调数据本地处理、低延迟响应、隐私保护和极低功耗运行。Nordic Semiconductor的nRF52和nRF53系列芯片凭借其超低功耗射频性能、灵活的处理器架构以及完善的软件开发套件（SDK），成为TinyML开发的主流平台之一。本章将系统梳理TinyML的核心概念与典型工作流，深入解析nRF52840与nRF5340的芯片特性，并带领读者完成开发板选型与SDK环境搭建，为后续源码交付、固件烧录和功耗测试打下坚实基础。

2.1 TinyML核心概念与工程约束

TinyML并非简单地将机器学习模型压缩后塞入MCU，而是一套完整的系统工程方法论。其核心挑战在于在极端资源约束下实现可用的推理能力。一个典型的TinyML系统需要同时满足以下约束：内存占用通常在几十KB到几百KB之间，Flash存储限制在1MB以内，峰值算力不超过几百MHz的Cortex-M级别，平均功耗需要控制在毫瓦甚至微瓦级别以支持纽扣电池供电。这些约束决定了TinyML模型必须经过特殊的优化流程，包括模型量化（通常从FP32降到INT8）、权重剪枝、算子融合和内核优化。

理解TinyML的工程约束需要建立三个维度的认知：模型维度关注参数量、算子类型和计算量（MACs）；硬件维度关注Flash/RAM容量、CPU主频、外设接口和DMA通道；系统维度关注实时性要求、功耗预算和无线通信并发。三者相互制约，例如一个语音唤醒词模型需要约50KB RAM和200ms推理时间，在nRF52840上可以轻松运行，但如果同时开启BLE连接和传感器采样，则需要仔细调度CPU时间片和内存池。

资源类型	典型TinyML需求	nRF52840提供	nRF5340提供
Flash存储	50-300KB（模型+代码）	1MB	1MB（应用核）+256KB（网络核）
RAM内存	20-150KB（激活+中间缓冲）	256KB	512KB（应用核）+64KB（网络核）
算力	10-100 MACs/cycle	Cortex-M4F @64MHz	双核M33 @128/64MHz
典型功耗	推理时5-20mA，待机<10μA	RX: 4.6mA, TX: 4.8mA@0dBm	RX: 2.7mA, TX: 3.4mA@0dBm

2.2 TinyML典型工作流：从数据到部署

TinyML的标准工作流可以划分为六个阶段，每个阶段都有明确的输入输出和验证标准。第一阶段是数据采集与预处理，在Nordic平台上通常通过SPI或I2C接口连接传感器（如BMI270 IMU、MP34DT05麦克风），使用SAADC（逐次逼近型ADC）或PDM接口进行数据采样。采样率、窗口大小和特征提取方式直接影响模型复杂度。第二阶段是模型训练与验证，在PC端使用TensorFlow或PyTorch完成训练，需要特别注意训练数据与目标硬件采集数据的分布一致性。

第三阶段是模型转换与量化，这是TinyML特有的关键步骤。使用TensorFlow Lite Converter将模型转换为FlatBuffer格式，并执行后训练量化（Post-Training Quantization）或量化感知训练（Quantization-Aware Training）。转换时需要指定输入张量的形状和数据类型（通常为int8），并设置代表性数据集用于校准量化范围。第四阶段是嵌入式工程集成，将转换后的模型文件（.tflite）作为C数组嵌入到nRF Connect SDK工程中，编写推理调用代码，配置内存分配器和算子解析器。

1. 模型验证阶段：在PC端使用测试集评估量化前后精度损失，要求Top-1准确率下降不超过2%。
2. 固件编译阶段：使用West工具链构建Zephyr工程，启用TFLite Micro的CMSIS-NN优化选项，编译生成HEX文件。
3. 硬件在环测试：通过J-Link烧录固件，使用串口或RTT打印推理结果，与PC端输出对比验证正确性。
4. 功耗测量阶段：使用Power Profiler Kit 2（PPK2）测量不同工作状态下的电流曲线，分析推理、待机、无线传输各阶段的功耗占比。

2.3 nRF52840与nRF5340芯片特性深度解析

nRF52840是Nordic的经典旗舰芯片，采用Cortex-M4F内核，主频64MHz，配备1MB Flash和256KB RAM。其最突出的优势在于集成了2.4GHz多协议无线电（支持BLE 5.0、802.15.4、私有2.4G），并带有ARM TrustZone CryptoCell-310安全单元。对于TinyML应用，nRF52840的FPU和DSP指令集可以加速部分矩阵运算，但受限于64MHz主频，更适合运行参数量在100KB以内的轻量级模型，如关键词唤醒（KWS）、简单姿态识别或异常检测。

nRF5340则采用双核异构架构：一个高性能应用核（Cortex-M33 @128MHz，带FPU和DSP）和一个超低功耗网络核（Cortex-M33 @64MHz）。应用核拥有1MB Flash和512KB RAM，网络核拥有256KB Flash和64KB RAM。这种架构为TinyML带来了独特的优势：可以将推理任务放在应用核上运行，而网络核专门处理BLE协议栈和无线通信，实现计算与通信的物理隔离。实测表明，在nRF5340上运行相同的语音识别模型，相比nRF52840推理速度提升约1.8倍，同时由于网络核分担了射频负载，整体功耗反而更低。

特性项	nRF52840	nRF5340（应用核）	对TinyML的影响
CPU架构	Cortex-M4F	Cortex-M33	M33支持TrustZone和协处理器接口
最高主频	64MHz	128MHz	更高主频缩短推理延迟
Flash/RAM	1MB / 256KB	1MB / 512KB	更大RAM支持更大模型和中间缓冲
无线电	BLE 5.0 / 802.15.4	BLE 5.3 / 802.15.4	双核可并行处理无线与推理
安全特性	CryptoCell-310	Arm TrustZone + CryptoCell-312	保护模型知识产权
典型待机电流	1.9μA（RTC唤醒）	1.3μA（网络核RTC唤醒）	电池寿命延长

2.4 开发板选型与SDK环境搭建实战

Nordic官方提供了多款开发板，对于TinyML开发，推荐使用nRF52840-DK或nRF5340-DK。两款开发板均板载J-Link OB调试器、虚拟串口、RGB LED、用户按键和多种传感器接口。nRF5340-DK额外带有M.2接口和以太网口，方便扩展。在环境搭建方面，推荐使用nRF Connect SDK（NCS）v2.5.0及以上版本，该版本内置了Zephyr RTOS 3.4，并提供了TFLite Micro的集成示例。

环境搭建分为四个步骤：第一步，安装nRF Command Line Tools，包含nrfjprog、J-Link驱动和West工具；第二步，通过West初始化NCS工作区，命令为west init -m https://github.com/nrfconnect/sdk-nrf --mr v2.5.0 ncs，然后执行west update拉取所有子模块；第三步，安装Zephyr的Python依赖，使用pip install -r zephyr/scripts/requirements.txt；第四步，编译并烧录示例工程验证环境。

# 初始化NCS工作区（以v2.5.0为例）
mkdir ncs && cd ncs
west init -m https://github.com/nrfconnect/sdk-nrf --mr v2.5.0
west update

# 编译TFLite Micro示例（以nRF52840-DK为例）
cd nrf/samples/tflite_micro/hello_world
west build -b nrf52840dk_nrf52840
west flash

# 查看串口输出（Linux/macOS）
screen /dev/ttyACM0 115200

在SDK配置中，需要特别关注prj.conf文件中的内存配置。TFLite Micro默认使用arena分配器，需要预留足够的RAM空间。建议在prj.conf中设置CONFIG_TFLITE_MICRO_ARENA_SIZE=32768（32KB），并根据模型实际需求调整。同时，启用CMSIS-NN优化需要设置CONFIG_TFLITE_MICRO_CMSIS_NN=y，该选项会调用ARM的优化内核，显著提升卷积和全连接层的计算效率。

2.5 常见误区与工程复盘

在TinyML开发中，初学者常陷入几个误区。误区一：认为模型越小越好。实际上，过度压缩模型会导致精度急剧下降，且某些算子（如LSTM）在量化后性能损失严重。建议在量化前后使用验证集评估精度，设定可接受的下降阈值。误区二：忽视数据采集与训练数据的分布差异。在Nordic平台上通过SAADC采集的传感器数据与PC端使用的公开数据集可能存在偏移（offset）和增益（gain）差异，导致推理结果异常。解决方法是使用硬件采集的真实数据重新训练或进行在线校准。误区三：混淆推理时间与功耗的关系。虽然推理时间缩短可以降低平均功耗，但峰值电流可能升高，对电池放电曲线产生不利影响。需要同时关注峰值电流和平均电流两个指标。